核心となる問いは一見シンプルだ。単一ラックの消費電力が1メガワット近くになるまでアクセラレータを積み上げ続けるのか、それとも電力と熱の現実に即してシステムを再設計するのか。この答えがAI構築の全体像を塗り替える。この密度レベルでは空冷は終わり、液冷はアップグレードではなくベースラインとなる。電力供給も変わり、高電圧DC配電とラック単位での変換が研究段階から調達仕様へと移行する。もはや制約となるのはトランジスタ数ではなく、送電網から引き出せる電力と排熱できる熱量だ。
この逆転は、フルスタックを制御する事業者に有利に働く。独自のラック、電源棚、冷却ループを設計するハイパースケーラーは、エンジニアリングを数百万台に分散して償却し、希少な送電容量を何年も前から確保できる。コロケーション事業者や中堅クラウド事業者にとって道は険しい。既存施設をメガワットラック対応に改修するのは経済的に見合わないことが多く、現在のフロアスペースの多くは最先端の学習用途には実質的に使えない。議論の本質は資本投下のタイミングだ。極端な密度に賭ければ専有面積では勝つが、冷却障害と単一ラック障害の影響範囲拡大というリスクを負う。分散型で低密度のポッド型アーキテクチャへ方向転換すれば、効率を犠牲に耐障害性と設置の容易さを得る。
日本にとって、これは現実的な制約として立ちはだかる。それは電力だ。印西、大阪、そして新興の北海道拠点を中心とする国内データセンター拡張はすでに限られた送電網の余裕を奪い合い、米国メキシコ湾岸や北欧地域より高い電気料金に直面している。メガワットラックはこの格差を一層際立たせる。日本の事業者はハイパースケーラーの密度を単純に模倣できない。制約のある高コストの電力に最適化された設計が必要であり、そこでは廃熱再利用や地域レベルの冷却が、コンプライアンスのチェック項目ではなく真の差別化要因となりうる。
SIerと企業IT部門はこれを、安易なオンプレミスAI構想への警告として読むべきだ。GPUクラスタを購入して既存の企業施設にラックマウントするという本能は、日本の建物の大半が想定していなかった電力と冷却の限界にぶつかる。現実的な対応はハイブリッド姿勢だ。学習クラス密度はクラウドや専門AIコロケーション事業者に容量を確保し、推論とファインチューニングのワークロードのみをローカルに置く。インテグレーターにとって、機会はハードウェア設置からシフトし、電力モデリング、冷却改修、ワークロード配置に関する助言へと移る。これはより利幅の大きいコンサルティング業務であり、今この専門知識を構築する企業が、メガワットの現実が企業の玄関先に到達したとき呼ばれる存在となる。
